Tác giả

Dương Vân Phong 1 , Nguyễn Gia Trọng 1.2* , Nguyễn Văn Chiến 3 , Nguyễn Hà Thành 4 , Lý Lâm Hà 5 , Nguyễn Viết Quân 6 , Phạm Ngọc Quang 1,2

Đơn vị công tác

1 Khoa Trắc địa - Bản đồ và Quản lý đất đai, Trường Đại học Mỏ - Địa chất; duongvanphong@humg.edu.vn; nguyengiatrong@humg.edu.vn; phamngocquang@humg.edu.vn

2 Nhóm nghiên cứu Trắc địa cao cấp - môi trường, Trường Đại học Mỏ - Địa chất; nguyengiatrong@humg.edu.vn

3 Công ty cổ phần địa ốc Phú Long; mchoangchien@gmail.com

4 Viện Vật lý địa cầu, Viện Hàn lâm Khoa học và Công nghệ Việt Nam; hathanh5984@gmail.com

5 Phòng Kinh tế hạ tầng huyện Cam Lâm, tỉnh Khánh Hòa; funnylams@gmail.com

6 Cục Đo đạc, Bản đồ và Thông tin địa lý Việt Nam; vietquan2407@gmail.com

Tác giả liên hệ: nguyengiatrong@humg.edu.vn; Tel.: +84–963124980

Tóm tắt

Chuyển dịch thẳng đứng là sự thay đổi độ cao của bề mặt đất mà nguyên nhân chính là do các hoạt động kiến tạo gây ra. Sự thay đổi độ cao của bề mặt do chuyển dịch thẳng đứng có liên hệ mật thiết với các hiện tượng tai biến thiên nhiên như mực nước biển dâng, ngập lụt hoặc xâm nhập mặn. Để xác định chuyển dịch thẳng đứng vỏ Trái đất có các phương pháp như sử dụng dữ liệu đo cao thủy chuẩn hình học, sử dụng dữ liệu định vị bằng vệ tinh (GNSS), dữ liệu giao thoa ra đa. Nghiên cứu này xác định chuyển dịch thẳng đứng cho điểm CTHO thuộc mạng lưới VNGEONET thông qua phân tích chuỗi dữ liệu GNSS sử dụng phần mềm Gamit/Globk. Để phân tích chuỗi kết quả chuyển dịch thẳng đứng trên, các tác giả đề xuất phương pháp dự báo chuyển dịch thẳng đứng vỏ Trái đất sử dụng mô hình mạng nơ-ron nhân tạo (ANN) với dữ liệu đầu vào là kết quả phân tích dữ liệu GNSS sử dụng phần mềm Gamit/Globk. Kết quả tính thực nghiệm cho thấy, các đặc trưng về sai số dự báo sử dụng mô hình ANN cho độ chính xác cao thể hiện qua các chỉ tiêu sai số đó là giá trị MAE là 0,005, giá trị MSE là 0,0004 và giá trị RMSE là 0,006.

Từ khóa

Chuyển dịch thẳng đứng; Sụt lún mặt đất; GNSS; AI; ANN

Trích dẫn bài báo

Phong, D.V.; Trọng, N.G.; Chiến, N.V.; Thành, N.H.; Hà, L.L.; Quân, N.V.; Quang, P.N. Phân tích chuyển dịch thẳng đứng vỏ Trái đất sử dụng hàm ANN từ kết quả xử lý chuỗi dữ liệu GNSS theo thời gian. Tạp chí Khí tượng Thủy văn 2023, 752, 41-50. 

Tài liệu tham khảo

1. Teferle, F.N.; Bingley, R.M.; Williams, S.D.P.; Baker, T.F.; Dodson, A.H. Using continuous GPS and absolute gravity to separate vertical land movements and changes in sea-level at tide-gauges in the UK, Phil. Trans. R. Soc. A 2006, 364, 917–930. Doi:10.1098/rsta.2006.1746.

2. Hasanuddin, Z.A.; Heri, A.; Irwan, G.; Yoichi, F.; Yusuf, E.P.; Deguchi, T. Land subsidence of Jakarta (Indonesia) and its relation with urban development. Nat. Hazards 2011, 59, 1753–1771. https://doi.org/10.1007/s11069-011-9866-9.

3. Beibei, C.; Huili, G.; Xiaojuan, L.; Kunchao, L.; Lin, Z.; Mingliang, G.; Chaofan, Z. Characterization and causes of land subsidence in Beijing. China. Int. J. Remote Sens. 2016, 38(3), 808–826. http://dx.doi.org/10.1080/01431161.2016.1259674.

4. Hai-Min, L.; Shui-Long, S.; Annan, Z.; Jun, Y. Risk assessment of mega-city infrastructures related to land subsidence using improved trapezoidal FAHP. Sci. Total Environ. 2019, 135310. https://doi.org/10.1016/j.scitotenv.2019.135310.

5. Omid, R.; Fatemeh, F.; Seyed, A.N.; Trent, B.; Milad, S.; Ravinesh, C.D.; Artemi, C.; Farnoush, M.; Dieu, T.B. Land subsidence modelling using tree-based machine learning algorithms. Sci. Total Environ. 2019, 239–252. https://doi.org/10.1016/j.scitotenv.2019.03.496.

6. Xiaojun, Q.; Tianxing, C.; Philippe, T.; Jason, L. Land subsidence with tide gauge, radar altimetry and GNSS: A case study at subsiding coast in Texas. Proceedings of the 34th International technical meeting of the satellite division of the institute of navigation, 2021, 3956–3962.

7. Siemuri, A.; Kuusniemi, H.; Elmusrati, M.S.; Välisuo, P.; Shamsuzzoha, A. Machine Learning Utilization in GNSS—Use Cases, Challenges and Future Applications. Proceeding of the 2021 International Conference on Localization and GNSS (ICL-GNSS), Tampere, Finland, 2021, pp. 1–6. Doi: 10.1109/ICL-GNSS51451.2021.9452295.

8. Kiani, M. On GNSS residual position time serries prediction and analysis using radial basic function networks machine learning. Second international conference on Development of Materials engineering technology, mining, and geology, 2020.

9. Duy, N.B.; Dinh, H.T.M.; Francessco, S.; Steffen, D.; Ramon, H. Measuring Land subsidence in Ha Noi city by means of Radar Interfeometry technique Using TerraSAR-X and Cosmos SkyMed Data. Prooceeding of the 7th FIG Regional Conference, Spatial Data Serving People: Land Governance and the Environment - Building the Capacity, 2009.

10. Dương, N.A.; Fumiaki, K.; Tô, T.Đ.; Xuyên, N.Đ.; Nguyên, P.Đ.; Hải, V.Q.; Công, D.C. Đánh giá chuyển động hiện đại đới đứt gãy Lai Châu - Điện Biên sử dụng chuỗi số liệu đo GPS 2002 - 2010. Tạp chí Các khoa học về trái đất 2011, 33(3), 690–694.

11. Khắc, Đ.V.; Kiên, N.C.; Teferle, F.N.; Bingley, R.M.; Williams, S.D.P.; Baker, T.F.; Dodson, A.H. Using continuous GPS and absolute gravity to separate vertical land movements and changes in sea-level at tide-gauges in the UK. Phil. Trans. R. Soc. A 2006, 364, 917–930. Doi:10.1098/rsta.2006.1746.

12. Anh, T.V.; Cuong, T.Q.; Anh, N.Đ.; Dinh, H.T.M.; Anh, T.T.; Hung, N.N.; Linh, L.T.T. Application of PSInSAR method for determining of land subsidence in Hanoi city by Cosmo-Skymed imagery. International Conference on GeoInformatics for Spatial-Infrastructure Development in Earth & Allied Sciences (GIS-IDEAS), 2016.

13. Dinh, H.T.M.; Cuong, T.Q.; Nhan, P.Q.; Trung, D.T.; Anh, N.D.; El-Moussawi, I.; Thuy L.T. Measuring Ground Subsidence in Ha Noi Through the Radar Interferometry Technique Using TerraSAR-X and Cosmos SkyMed Data. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2019, 2(10), 3874–3884. Doi:10.1109/JSTARS.2019.2937398.

14. Luyen, B.K.; Phong, L.V.V.; Phuong, D.D.; Long, N.Q.; Hai, P.V.; Ha, T.H.; Lei, X. Recent land deformation detected by Sentinel-1A InSAR data (2016–2020) over Hanoi, Vietnam, and the relationship with groundwater level change. GISci. Remote Sens. 2021, 58(2), 161–179. https://doi.org/10.1080/15481603.2020.1868198.

15. Minh, L.H.; Hung, V.T.; Jyr-Ching, H.; Minh, N.L.; Bor-Shouh, H.; Horng-Yue, C.; Thang, N.C.; Thanh, N.H.; Thanh, L.T.; Mai, N.T.; Hong, P.T.T. Contemporary movement of earth’s crust in the northwestern Vietnam by coutinuous GPS data. VN J. Earth Sci. 2020, 42(4), 334–350. https://doi.org/10.15625/0866-7187/42/4/15282.

16. Trọng, N.G; Nghĩa, N.V.; Khải, P.C.; Thành, N.H.; Hà, L.L.; Dũng, V.T.; Quân, N.V.; Quang, P.N. Xác định chuyển dịch trên phạm vi lãnh thổ Việt Nam dựa vào dữ liệu của các trạm CORS thuộc mạng lưới VNGEONET. Tạp chí Khí tượng Thủy văn 2022, 739, 59–66. Doi: 10.36335/VNJHM.2022(739).59-66.

17. Trọng, N.G.; Nghĩa, N.V.; Hà, L.L.; Thành, N.H.; Dũng, V.T.; Quân, N.V.; Trong, B.H. Nghiên cứu đề xuất mô hình tính vận tốc chuyển dịch thẳng đứng được xác định bằng công nghệ GNSS. Kỷ yếu Hội nghị khoa học toàn quốc Trái đất, Mỏ, Môi trường bền vững lần thứ V, 2022, tr. 392–399. Doi: 10.15625/vap.2022.0192.

18. Lau, N.N.; Richard, C.; Hoa, H.M. Determination of tectonic velociries of some continuously operating reference stations (CORS) in Vietnam 2016 - 2018 by using precise point positioning. VN J. Earth Sci. 2020, 43(1), 1–12. https://doi.org/10.15625/0866-7187/15571.

19. Trong, T.D.; Huy, N.D.; Quang, V.N.; Long, N.Q. Crustal displacement in Vietnam using CORS data during 2018 - 2021. Earth Sci. Res. J. 2023, 27(1), 27–36. https://doi.org/10.15446/esrj.v27n1.102630.

20. Trong, T.Đ.; Long, N.Q.; Huy, N.Đ. (2021). General geometric model of GNSS position time serries for crustal deformation studies - A case study of CORS station in Vietnam. J. Pol. Miner. Eng. Soc. 2021, 2(1), 183–198. https://doi.org/10.29227/IM-2021-02-16.

21. Khai, P.C.; Trong, T.Đ.; Hai, N.V. GNSS-CORS-Based technology for real-time mornitoring of landslides on water dump - A case study at the Deo Nai south dump, Vienam. J. Pol. Miner. Eng. Soc. 2020, 1(2), 181–191. http://doi.org/10.29227/IM-2020-02-23.

22. Linh, N.T. Nghiên cứu giải pháp công nghệ quan trắc chuyển vị công trình cầu trong điều kiện Việt Nam. Luận án tiến sỹ Kỹ thuật trắc địa - bản đồ, Trường Đại học Mỏ - Địa chất, 2022.

23. Long, N.Q. Đánh giá khả năng ứng dụng mạng nơ-ron nhân tạo dự báo lún bề mặt mỏ do khai thác hầm lò. Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 2016, 55, 79–88.

24. Robert, J.S. Artificial Neural Networks. McGraw-Hill New York, 1997.

25. Jacek, M.Z. Introduction to artificial neural systems. West publishing company St. Paul, 1992, 8, pp. 754.